平均 Tweedie 偏差 #

sklearn.metrics.mean_tweedie_deviance(y_true, y_pred, *, sample_weight=None, power=0)[source]#

平均Tweedie偏差回归损失。

更多信息请参见用户指南。

参数：
y_truearray-like of shape (n_samples,)

真实目标值。

y_predarray-like of shape (n_samples,)

预测目标值。

sample_weightarray-like of shape (n_samples,), default=None

样本权重。

powerfloat, default=0

Tweedie幂参数。要么power <= 0，要么power >= 1。

较高的p值表示对真实目标值和预测目标值之间极端偏差的权重越低。

  • power < 0: 极稳定分布。要求：y_pred > 0。

  • power = 0: 正态分布，输出对应于均方误差。y_true和y_pred可以是任何实数。

  • power = 1: 泊松分布。要求：y_true >= 0 且 y_pred > 0。

  • 1 < p < 2: 复合泊松分布。要求：y_true >= 0 且 y_pred > 0。

  • power = 2: Gamma分布。要求：y_true > 0 且 y_pred > 0。

  • power = 3: 逆高斯分布。要求：y_true > 0 且 y_pred > 0。

  • 其他情况：正稳定分布。要求：y_true > 0 且 y_pred > 0。

返回：
lossfloat

一个非负浮点数（最佳值为0.0）。

示例

>>> from sklearn.metrics import mean_tweedie_deviance
>>> y_true = [2, 0, 1, 4]
>>> y_pred = [0.5, 0.5, 2., 2.]
>>> mean_tweedie_deviance(y_true, y_pred, power=1)
1.4260...